Penerapan Algoritma Random Forest Dan Cross Validation Untuk Prediksi Data Stunting

  • Fadellia Azzahra Mahasiswa
  • Nana Suarna STMIK IKMI Cirebon
  • Yudhistira Arie Wijaya STMIK IKMI Cirebon
Keywords: Random Forest, Cross Validation, Prediksi, Stunting

Abstract

Permasalahan yang seringkali terjadi pada anak dengan pertumbuhan yang tidak sesuai usianya merupakan kekurangan gizi kronis atau seringkali disebut stunting. Permasalahan anak stunting juga banyak terjadi di salah satu Kelurahan yang ada di Kota Cirebon yaitu di UPT Puskesmas XYZ, dari tingginya kasus stunting ini membuat Puskesmas menggelar kegiatan Posyandu rutin di setiap bulannya. Dari kegiatan Posyandu, Puskesmas akan memperoleh hasil laporan stunting dari pencatatan manual yang kemudian akan dilakukan penginputan data menggunakan Microsoft Excel. Pengidentifikasian dan penginputan data secara manual beresiko mengalami ketidaktepatan data serta status gizi yang menjadi indikator penentuan stunting yang beranekaragam dapat menghabiskan waktu lama. Untuk mengatasi permasalahan tersebut perlu melakukan penerapan data mining dengan algoritma Random Forest dan Cross Validation untuk prediksi data stunting. Pada riset yang akan dilakukan bertujuan untuk mengetahui cara kerja algoritma Random Forest dan Cross Validation serta untuk mendapatkan nilai akurasi, presisi, recall, dan RMSE terbaik. Hasil riset yang telah dilakukan dengan penerapan metode algoritma Random Forest  memperoleh hasil pengujian confusion matrix dengan pembagian data 90:10 dalam memprediksi BB/TB menampilkan perolehan nilai yang sangat baik untuk akurasi 77.55%, recall 32.88%, presisi 21.97%, serta RMSE 0.402 dengan membuat model 40 pohon. Evaluasi dengan Cross Validation menghasilkan nilai terbaik pada 10-fold dengan mendapatkan nilai akurasi 78.33%, presisi 39.13%, recall 25.01%, serta RMSE 0.428 dengan membuat model 100 pohon.

References

Kemenkes RI, “Laporan Prediksi Stunting Tahun 2020,” 2020.

Kemenkes RI, Hasil Studi Status Gizi Indonesia (SSGI) Tingkat Nasional, Provinsi dan Kabupaten/Kota Tahun 2021, vol. 2, no. 1. 2021. doi: 10.36805/bi.v2i1.301.

“Peraturan Kemenkes RI,” vol. 2, no. 1, pp. 1–12, 2020, [Online]. Available: http://clik.dva.gov.au/rehabilitation-library/1-introduction-rehabilitation%0Ahttp://www.scirp.org/journal/doi.aspx?DOI=10.4236/as.2017.81005%0Ahttp://www.scirp.org/journal/PaperDownload.aspx?DOI=10.4236/as.2012.34066%0Ahttp://dx.doi.org/10.1016/j.pbi.201

E. P. Cynthia, M. Afif Rizky A., A. Nazir, and F. Syafria, “Random Forest Algorithm to Investigate the Case of Acute Coronary Syndrome,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 2, pp. 369–378, 2021, doi: 10.29207/resti.v5i2.3000.

T. S. Parsaoran and Edric, “Prediksi Penyakit Gagal Jantung Dengan Menggunakan Random Forest,” J. Sist. Inf. dan Ilmu Komput. Prima(JUSIKOM PRIMA), vol. 5, no. 2, pp. 176–181, 2022, doi: 10.34012/jurnalsisteminformasidanilmukomputer.v5i2.2445.

W. Apriliah, I. Kurniawan, M. Baydhowi, and T. Haryati, “Prediksi Kemungkinan Diabetes pada Tahap Awal Menggunakan Algoritma Klasifikasi Random Forest,” Sistemasi, vol. 10, no. 1, p. 163, 2021, doi: 10.32520/stmsi.v10i1.1129.

H. H. Sutarno, R. Latuconsina2, and A. Dinimaharawati3, “Prediksi Stunting Pada Balita Dengan Menggunakan Algoritma Klasifikasi K-Nearest Neighbors Stunting Prediction in Children Using K-Nearest Neighbors Classification Algorithm,” e-Proceeding Eng., vol. 8, no. 5, pp. 6657–6661, 2021, [Online]. Available: https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/16456/16167

S. Lonang and D. Normawati, “Klasifikasi Status Stunting Pada Balita Menggunakan K-Nearest Neighbor Dengan Feature Selection Backward Elimination,” J. Media Inform. Budidarma, vol. 6, no. 1, p. 49, 2022, doi: 10.30865/mib.v6i1.3312.

M. Rianto and R. Yunis, “Analisis Runtun Waktu Untuk Memprediksi Jumlah Mahasiswa Baru Dengan Model Random Forest,” Paradig. - J. Komput. dan Inform., vol. 23, no. 1, 2021, doi: 10.31294/p.v23i1.9781.

E. N. Candra, I. Cholissodin, and R. C. Wihandika, “Klasifikasi Status Gizi Balita menggunakan Metode Optimasi Random Forest dengan Algoritme Genetika (Studi Kasus: Puskesmas Cakru),” vol. 6, no. 5, pp. 2188–2197, 2022, [Online]. Available: http://j-ptiik.ub.ac.id

J. Kolluri, V. K. Kotte, M. S. B. Phridviraj, and S. Razia, “Reducing Overfitting Problem in Machine Learning Using Novel L1/4 Regularization Method,” Proc. 4th Int. Conf. Trends Electron. Informatics, ICOEI 2020, no. September, pp. 934–938, 2020, doi: 10.1109/ICOEI48184.2020.9142992.

H. Gunawan and G. S. Budhi, “Penerapan Machine Learning dalam mendeteksi Fake Account pada Instagram,” no. 121, 2022.

Rakes, Jondri, and K. M. Lhaksamana, “Prediksi retweet berdasarkan feature user-based menggunakan metode klasifikasi Support Vector Machine,” vol. 8, no. 5, pp. 11183–11191, 2021.

G. Balita, S. Dengan, and P. K. Cross, “Aplikasi naïve bayes classifier (nbc) pada klasifikasi status gizi balita stunting dengan pengujian k-fold cross validation,” J. Gaussian, vol. 11, pp. 130–139, 2022.

E. Buulolo, Data Mining Untuk Perguruan Tinggi. Deepublish, 2020.

S. K. M. P. Fitri Marisa, S. T. M. S. M. M. T. Anastasia Lidya Maukar, and S. S. M. M. S. I. Dr. Tubagus Mohammad Akhriza, Data Mining Konsep Dan Penerapannya. Deepublish, 2021.

G. A. Sandag, “Prediksi Rating Aplikasi App Store Menggunakan Algoritma Random Forest,” CogITo Smart J., vol. 6, no. 2, pp. 167–178, 2020, doi: 10.31154/cogito.v6i2.270.167-178.

Published
2024-02-29